基于深度神经网络的房颤检测研究与实现
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景及意义 | 第9-12页 |
| 1.3 研究进展综述 | 第12-17页 |
| 1.3.1 深度学习研究进展 | 第12-15页 |
| 1.3.2 房颤检测研究进展 | 第15-17页 |
| 1.4 论文组织架构 | 第17-19页 |
| 第2章 心电数据采集和预处理 | 第19-32页 |
| 2.1 实验数据 | 第19-21页 |
| 2.1.1 临床心电数据 | 第19-20页 |
| 2.1.2 标准心电数据库 | 第20-21页 |
| 2.2 临床Holter数据采集 | 第21-24页 |
| 2.2.1 心电导联 | 第21-24页 |
| 2.2.2 动态心电数据采集 | 第24页 |
| 2.3 标准库心电数据解析 | 第24-26页 |
| 2.4 实验数据预处理 | 第26-31页 |
| 2.4.1 ECG去噪 | 第26-27页 |
| 2.4.2 基于小波变换的ECG分割 | 第27-29页 |
| 2.4.3 ECG数据归一化 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 深度网络模型设计 | 第32-49页 |
| 3.1 数据集分析及使用情况 | 第32-33页 |
| 3.2 自编码算法与稀疏性 | 第33-36页 |
| 3.2.1 自编码算法 | 第33-35页 |
| 3.2.2 基于稀疏性限制的自编码算法 | 第35-36页 |
| 3.3 分类器设计 | 第36-39页 |
| 3.3.1 逻辑回归 | 第36-37页 |
| 3.3.2 softmax分类器设计 | 第37-39页 |
| 3.4 基于稀疏自编码器的深度模型设计 | 第39-42页 |
| 3.4.1 特征自学习 | 第39-40页 |
| 3.4.2 栈式自编码器 | 第40页 |
| 3.4.3 深度网络模型结构设计 | 第40-42页 |
| 3.5 深度网络模型的训练 | 第42-48页 |
| 3.5.1 无监督预训练 | 第43-44页 |
| 3.5.2 改进的预训练 | 第44-46页 |
| 3.5.3 有监督微调 | 第46-47页 |
| 3.5.4 深度网络整体训练 | 第47-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 基于栈式自编码器的房颤信号检测实现 | 第49-59页 |
| 4.1 样本均衡 | 第49-50页 |
| 4.2 房颤特征提取模型设计 | 第50-52页 |
| 4.2.1 房颤在心电图中的特征表现 | 第50页 |
| 4.2.2 房颤特征提取 | 第50-52页 |
| 4.3 标准数据库中房颤信号的标注 | 第52-54页 |
| 4.4 房颤检测的实现与实验结果 | 第54-57页 |
| 4.4.1 房颤检测实现步骤 | 第54-56页 |
| 4.4.2 实验结果 | 第56-57页 |
| 4.5 实验结果对比 | 第57-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-62页 |
| 5.1 总结 | 第59-61页 |
| 5.2 展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 作者在攻读硕士学位期间发表的学术论文及成果 | 第67页 |
